近日，西安交大“人工智能与机器人研究所”针对高精度自适应融合定位方案完成了进一步的研究与优化。该方案在室内外测试场景中均实现了无GPS条件下厘米级的定位精度，同时将算法迁移到硬件进行加速，减少对CPU资源的占用以及计算资源的消耗。该方案现已经被成功部署在“Pioneer”无人驾驶验证平台和AGV小型运输车上，且在多项挑战赛中表现优异。
随着近些年人工智能的发展，自主移动智能体作为其子领域也逐渐备受关注，其应用场景主要分为两大类，室外大规模动态的交通场景和室内复杂场景。对于室外无人驾驶智能车，目前仍处于研究和验证阶段；室内小型车则应用更为广泛且已经逐步投入到生产生活中，比如工厂AGV、食堂送餐机器人等。随着自主移动智能体的不断发展和迭代，对定位的精度，系统响应延迟，数据吞吐量，鲁棒性等关键指标的要求也越来越高。
目前，GPS作为应用最广泛的全球定位系统，可以全天候地提供物体在世界坐标系下的绝对位置，通过RTK载波相位差分技术的修正，其精度可以达到厘米级，但定位精度受卫星信号强度的影响非常大。在城乡环境、隧道、地下车库和室内环境中，卫星信号被遮挡甚至阻断，严重影响无人驾驶系统行驶的稳定性和安全性，因此需要一种不依赖GPS的定位与导航方案来提供高精度、高频率且鲁棒的定位结果。
为了在定位过程中充分发挥车载传感器各自的优势，一种有效的思路是多源融合。这并不是一个新的理念，但很难在室外大规模动态场景和室内复杂场景下实现一种通用的无依托定位方案。为此西安交大“人工智能与机器人研究所”自主研发了一套基于软硬件协同的无依托自适应融合定位系统，实现IMU、激光雷达、车辆运动学信息等多模态传感器的融合。该系统通过自主研发的硬件加速模块，配合软件系统，实现了一种低成本，低功耗（平均功率约5W），高精度（厘米级），鲁棒的定位信息输出。经过测试，该硬件系统相比传统CPU/GPU 的加速方案，在算法延迟和运算精度达到同样水平的情况下功耗降低90%以上，同时成本也大幅降低。该定位系统对于传感器的类型具有通用性和可扩展性，即不限制所用传感器的具体参数，型号等，在算法层面，其他车载传感器的观测信息可以方便的增添到融合系统中。通过判断传感器信息状态，自主地筛选准确可靠的运动信息进行融合，避免某单一传感器的错误数据对融合系统的负面影响，使得最终融合结果精度尽可能高。具体实现效果如下方视频所示。
在室内场景下，这套自适应融合定位系统可以达到更高的定位精度。在工厂，食堂以及酒店等多场景下都可以灵活稳定的完成各种运送任务，真正意义上实现了一种室内无依托的自然导航方案，替代了之前基于二维码等特殊标记物的导航方案，极大地提高了机器人调度决策的灵活性以及可扩展性，同时降低了前期部署的难度和后期维护的成本。
对于室外场景，这套自适应融合定位系统的表现也同样优异。于2019年“中国智能车未来挑战赛”中，通过前期测试以及实际比赛中应用，该定位模块在室外真实交通场景中完成里程合计超过3000公里的实车测试，验证了该系统的可行性和鲁棒性。挑战赛设置了全程（城乡道路、高架道路）不依赖卫星定位导航信号的赛程，测试无人车在无卫星导航情况下的自主定位和环境感知能力。我们的自适应融合定位方案被部署在 “Pioneer” 无人驾驶智能车上，在比赛全程无GPS的情况下，实现了地下车库的自主泊车，精度达到厘米级；高速行驶条件下的稳定定位，在高架道路上自主地由匝道驶入高架快速道路，通过施工路段、事故拥堵、临检站、前车坠物等复杂路况和交通场景，完成超过10公里的高速行驶任务后非常完美地驶入路边侧位停车。
